論文の概要: Sky Background Building of Multi-objective Fiber spectra Based on Mutual Information Network

• arxiv url: http://arxiv.org/abs/2508.19875v1
• Date: Wed, 27 Aug 2025 13:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.64398
• Title: Sky Background Building of Multi-objective Fiber spectra Based on Mutual Information Network
• Title（参考訳）: 相互情報ネットワークに基づく多目的ファイバスペクトルの背景構築
• Authors: Hui Zhang, Jianghui Cai, Haifeng Yang, Ali Luo, Yuqing Yang, Xiao Kong, Zhichao Ding, Lichan Zhou, Qin Han,
• Abstract要約: 空背景推定モデルを提案する: 相互情報(SMI)に基づく空背景構築 相互情報と漸進的学習アプローチに基づくSMI その結果、SMIは観測中、特に青色の端において、より良い天体空背景を得ることができることがわかった。
• 参考スコア（独自算出の注目度）: 13.537469764303637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sky background subtraction is a critical step in Multi-objective Fiber spectra process. However, current subtraction relies mainly on sky fiber spectra to build Super Sky. These average spectra are lacking in the modeling of the environment surrounding the objects. To address this issue, a sky background estimation model: Sky background building based on Mutual Information (SMI) is proposed. SMI based on mutual information and incremental training approach. It utilizes spectra from all fibers in the plate to estimate the sky background. SMI contains two main networks, the first network applies a wavelength calibration module to extract sky features from spectra, and can effectively solve the feature shift problem according to the corresponding emission position. The second network employs an incremental training approach to maximize mutual information between representations of different spectra to capturing the common component. Then, it minimizes the mutual information between adjoining spectra representations to obtain individual components. This network yields an individual sky background at each location of the object. To verify the effectiveness of the method in this paper, we conducted experiments on the spectra of LAMOST. Results show that SMI can obtain a better object sky background during the observation, especially in the blue end.
• Abstract（参考訳）: スカイバックグラウンドのサブトラクションは多目的ファイバースペクトルプロセスにおける重要なステップである。 しかし、現在の減算は主にスーパースカイを構築するためにスカイファイバスペクトルに依存している。 これらの平均スペクトルは、物体を取り巻く環境のモデリングに欠けている。 この問題に対処するために,SMI(Mutual Information)に基づく空背景推定モデルを提案する。 相互情報と漸進的学習アプローチに基づくSMI プレートのすべてのファイバーからのスペクトルを利用して、空の背景を推定する。 SMIには2つの主要なネットワークがあり、第1のネットワークは波長校正モジュールを用いてスペクトルから空の特徴を抽出し、対応する放射位置に応じて特徴シフト問題を効果的に解決することができる。 第2のネットワークは、異なるスペクトルの表現間の相互情報を最大化し、共通成分をキャプチャするインクリメンタルなトレーニングアプローチを採用する。 そして、隣接するスペクトル表現間の相互情報を最小化し、個々の成分を得る。 このネットワークは、個々の空の背景をオブジェクトのそれぞれの位置で生成する。 そこで本研究では,LAMOSTのスペクトル実験を行った。 その結果、SMIは観測中、特に青色の端において、より良い天体空背景を得ることができることがわかった。

関連論文リスト

• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• SSF-Net: Spatial-Spectral Fusion Network with Spectral Angle Awareness for Hyperspectral Object Tracking [21.664141982246598]
  ハイパースペクトルビデオ(HSV)は、空間的、スペクトル的、時間的情報を同時に提供する。 既存の手法は主にバンド再編成に重点を置いており、特徴抽出のためにRGBトラッカーに依存している。 本稿では、超スペクトル(HS)物体追跡において、スペクトル角認識(SST-Net)を用いた空間-スペクトル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T09:37:13Z)
• SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance Field [70.15900280156262]
  本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。 スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-14T07:19:31Z)
• Spectrum-driven Mixed-frequency Network for Hyperspectral Salient Object Detection [14.621504062838731]
  スペクトルから2つの異なる周波数成分を抽出することでスペクトル特性を完全に活用する新しい手法を提案する。 Spectral Saliency は有能なオブジェクトの領域を近似し、Spectral Edge は有能なオブジェクトのエッジ情報をキャプチャする。 この二重周波数情報を効果的に活用するために、新しい軽量スペクトラム駆動混合周波数ネットワーク(SMN)を導入する。
  論文  参考訳（メタデータ） (2023-12-02T08:05:45Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral Reconstruction [148.26195175240923]
  効率的なスペクトル再構成のためのマルチステージスペクトル変換器(MST++)を提案する。 NTIRE 2022 Spectral Reconstruction Challengeでは、私たちのアプローチが優勝しました。
  論文  参考訳（メタデータ） (2022-04-17T02:39:32Z)
• MESSFN : a Multi-level and Enhanced Spectral-Spatial Fusion Network for Pan-sharpening [17.129956512200454]
  本稿では,MESSFN(Multi-level and Enhanced Spectral-Spatial Fusion Network)を提案する。 スペクトル-空間流は階層的に導出され,MSストリームとPANストリームから複数レベルの先行スペクトルおよび空間的専門知識を融合する。 2つのデータセットの実験は、ネットワークが最先端の手法と競合しているか、優れていることを示している。
  論文  参考訳（メタデータ） (2021-09-21T03:38:52Z)
• Active deep learning method for the discovery of objects of interest in large spectroscopic surveys [0.0]
  現在のLAMOST望遠鏡のアーカイブには、おそらく人間の目には見られない何百万ものパイプライン処理されたスペクトルが含まれている。 インタラクティブな可視化と現代的な機械学習技術を組み合わせることで、そのようなオブジェクトを発見する新たな方法が開かれる。 深層畳み込みネットワークが支援するアクティブラーニング分類を適用し, 数百万のスペクトルアーカイブにおいて, 複雑なエミッションライン形状を自動的に識別する。
  論文  参考訳（メタデータ） (2020-09-07T16:27:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。